GBDT
1. 残差提升树(BDT)
梯度提升树(Grandient Boosting)是提升树(Boosting Tree)的一种改进算法,所以在讲梯度提升树之前先来说一下残差提升树。
残差提升树:
- 通过拟合残差的方式进行提升
- 残差 = 真实值 - 预测值
- 残差可以是正的,也可以是负的,不能加绝对值(与绝对误差相区分)
先来个通俗理解:
- 预测某人的年龄为100岁
- 第1次预测:对100岁预测,预测成80岁;100 – 80 = 20(残差)
- 第2次预测:上一轮残差20岁作为目标值,预测成16岁;20 – 16 = 4 (残差)
- 第3次预测:上一轮的残差4岁作为目标值,预测成3.2岁;4 – 3.2 = 0.8(残差)
- 若三次预测的结果串联起来: 80 + 16 + 3.2 = 99.2
- 通过拟合残差可将多个弱学习器组成一个强学习器,这就是提升树的最朴素思想
- 上图中所说的新模型指的是集成学习模型;残差拟合模型就是集成学习中使用到的弱学习器
上面提到的残差是什么呢?
假设:
- 我们前一轮迭代得到的强学习器是:ft-1(x)
- 损失函数是:L(y,ft−1(x))
- 本轮迭代的目标是找到一个弱学习器:ht(x)
- 让本轮的损失最小化: L(y, ft(x))=L(y, ft−1(x)) + ht(x))
当采用平方损失函数时:
则:
令:R = y - ft-1(x),则:
此处,R 是当前模型拟合数据的残差(residual)
所以,对于残差提升树来说只需要简单地拟合当前模型的残差。
2. 梯度提升树(GBDT)
梯度提升树不再使用拟合残差,而是利用最速下降的近似方法,利用损失函数的负梯度作为提升树算法中的残差近似值。
假设: 损失函数仍然为平方损失, 则每个样本要拟合的负梯度为:
此时, 我们发现 GBDT 拟合的负梯度就是残差,或者说对于回归问题,拟合的目标值就是残差。
如果我们的 GBDT 进行的是分类问题,则损失函数变为 logloss,此时拟合的目标值就是该损失函数的负梯度值。
- GBDT - 回归任务,拟合的是残差(损失函数的负梯度)
- GBDT - 分类任务,拟合的是分类的损失函数负梯度(比如损失函数采用logloss)
3. GBDT算法实现案例
3.1 初始化弱学习器(CART树)
我们通过计算当模型预测值为何值时,会使得第一个基学习器的平方误差最小,即:求损失函数对 f(xi) 的导数,并令导数为0.
3.2 构建第一个弱学习器(CART树)
由于我们拟合的是样本的负梯度,即:
由此得到数据表如下:
损失计算:
上表中平方损失计算过程说明(以切分点1.5为例):
切分点1.5 将数据集分成两份 [5.56],[5.56 5.7 5.91 6.4 6.8 7.05 8.9 8.7 9. 9.05]
第一份的平均值为5.56 第二份数据的平均值为(5.7+5.91+6.4+6.8+7.05+8.9+8.7+9+9.05)/9 = 7.5011
由于是回归树,每份数据的平均值即为预测值,则可以计算误差,第一份数据的误差为0,第二份数据的平方误差为 :
( 5.70 − 7.5011 ) 2 + ( 5.91 − 7.5011 ) 2 + . . . + ( 9.05 − 7.5011 ) 2 = 15.72308 (5.70-7.5011)^2+(5.91-7.5011)^2+...+(9.05-7.5011)^2 = 15.72308 (5.70−7.5011)2+(5.91−7.5011)2+...+(9.05−7.5011)2=15.72308
以 6.5 作为切分点损失最小,构建决策树如下:
- 以6.5进行划分,左侧和右侧样本的输出值采用负梯度的平均值
3.3 构建第二个弱学习器(CART树)
以 3.5 作为切分点损失最小,构建决策树如下:
- 以3.5进行划分,左侧和右侧样本的输出值采用负梯度的平均值
3.4 构建第三个弱学习器(CART树)
以 6.5 作为切分点损失最小,构建决策树如下:
3.5 最终强学习器
以把x=6样本为例:输入到最终学习器中的结果 :7.31 + (-1.07) + 0.22 + 0.15 = 6.61
4. GBDT算法
1.初始化弱学习器
f 0 ( x ) = arg min c ∑ i = 1 N L ( y i , c ) f_0(x)=\arg\min_c\sum_{i=1}^NL(y_i,c) f0(x)=argcmini=1∑NL(yi,c)
2.对 m = 1 , 2 , ⋯ , M m=1,2,\cdots,M m=1,2,⋯,M有:
(a)对每个样本 i = 1 , 2 , ⋯ , N i=1,2,\cdots,N i=1,2,⋯,N,计算负梯度,回归任务即残差
r i m = − [ ∂ L ( y , f ( x i ) ) ∂ f ( x i ) ] = y i − f m − 1 ( x i ) r_{im}=-\left[\frac{\partial L(y,f(x_i))}{\partial f(x_i)}\right]=yi - f_{m-1}(x_i) rim=−[∂f(xi)∂L(y,f(xi))]=yi−fm−1(xi)
(b)将上步得到的残差作为样本新的真实值,并将数据 ( x i , r i m ) , i = 1 , 2 , . . N (x_i,r_{im}), i=1,2,..N (xi,rim),i=1,2,..N作为下棵树的训练数据,得到一颗新的回归树 f m ( x ) f_{m} (x) fm(x)其对应的叶子节点区域为 R j m , j = 1 , 2 , ⋯ , J R_{jm}, j =1,2,\cdots,J Rjm,j=1,2,⋯,J。其中J为回归树t的叶子节点的个数。
(c)对叶子区域 j = 1 , 2 , ⋯ , J j=1,2,\cdots,J j=1,2,⋯,J计算最佳拟合值
Υ j m = arg min ⏟ Υ ∑ x i ∈ R j m L ( y i , f m − 1 ( x i ) + Υ ) \Upsilon_{jm}=\underbrace{\arg\min}_{\Upsilon}\sum_{x_i\in R_{jm}}L(y_i, f_{m-1}(x_i)+\Upsilon) Υjm=Υ argminxi∈Rjm∑L(yi,fm−1(xi)+Υ)
- Υ \Upsilon Υ相当于是在上一个学习器的残差基础上加了一个修正项
(d)更新强学习器
f m ( x ) = f m − 1 ( x ) + ∑ i = 1 J r j m I ( x ∈ R j m ) f_m(x)=f_{m-1}(x)+\sum_{i=1}^Jr_{jm}I(x\in R_{jm}) fm(x)=fm−1(x)+i=1∑JrjmI(x∈Rjm)
(3)得到最终学习器
f ( x ) = f M ( x ) = f 0 ( x ) + ∑ m = 1 M ∑ j = 1 J r j m I ( x ∈ R j m ) f(x)=f_M(x)=f_0(x)+\sum_{m=1}^M\sum_{j=1}^Jr_{jm}I(x \in R_{jm}) f(x)=fM(x)=f0(x)+m=1∑Mj=1∑JrjmI(x∈Rjm)
5. 泰坦尼克号案例实战
该案例是在随机森林的基础上修改的,可以对比讲解。
数据地址:
5.1 导包并选取特征
#1.数据导入
#1.1导入数据
import pandas as pd
#1.2.利用pandas的read.csv模块从互联网中收集泰坦尼克号数据集
titanic=pd.read_csv("data/titanic.csv")
titanic.info() #查看信息
#2人工选择特征pclass,age,sex
X=titanic[['pclass','age','sex']]
y=titanic['survived']
#3.特征工程
#数据的填补
X['age'].fillna(X['age'].mean(),inplace=True)
5.2 切分数据及特征处理
#数据的切分
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test =train_test_split(X,y,test_size=0.25,random_state=22)
#将数据转化为特征向量
from sklearn.feature_extraction import DictVectorizer
vec=DictVectorizer(sparse=False)
X_train=vec.fit_transform(X_train.to_dict(orient='records'))
X_test=vec.transform(X_test.to_dict(orient='records'))
5.3 三种分类器训练及预测
#4.使用单一的决策树进行模型的训练及预测分析
from sklearn.tree import DecisionTreeClassifier
dtc=DecisionTreeClassifier()
dtc.fit(X_train,y_train)
dtc_y_pred=dtc.predict(X_test)
print("score",dtc.score(X_test,y_test))
#5.随机森林进行模型的训练和预测分析
from sklearn.ensemble import RandomForestClassifier
rfc=RandomForestClassifier(random_state=9)
rfc.fit(X_train,y_train)
rfc_y_pred=rfc.predict(X_test)
print("score:forest",rfc.score(X_test,y_test))
#6.GBDT进行模型的训练和预测分析
from sklearn.ensemble import GradientBoostingClassifier
gbc=GradientBoostingClassifier()
gbc.fit(X_train,y_train)
gbc_y_pred=gbc.predict(X_test)
print("score:GradientBoosting",gbc.score(X_test,y_test))
5.4 三种分类器性能评估
#7.性能评估
from sklearn.metrics import classification_report
print("dtc_report:",classification_report(dtc_y_pred,y_test))
print("rfc_report:",classification_report(rfc_y_pred,y_test))
print("gbc_report:",classification_report(gbc_y_pred,y_test))
6. 集成算法多样性
集成学习中,个体学习器多样性越大越好。通常为了增大个体学习器的多样性,在学习过程中引入随机性。常用的方法包括:对数据样本进行扰动、对输入属性进行扰动、对算法参数进行扰动。
6.1 数据样本扰动
给定数据集,可以使用采样法从中产生出不同的数据子集。然后在利用不同的数据子集训练出不同的个体学习器。
该方法简单有效,使用广泛。
(1)数据样本扰动对于“不稳定学习器”很有效。“不稳定学习器”是这样一类学习器:训练样本稍加变化就会导致学习器有显著的变动,如决策树和神经网络等。
(2)数据样本扰动对于“稳定学习器”无效。“稳定学习器”是这样一类学习器:学习器对于数据样本的扰动不敏感,如线性学习器、支持向量机、朴素贝叶斯、K近邻学习器等。
如Bagging算法就是利用Bootstrip抽样完成对数据样本的自助采样。
6.2 输入属性的扰动
训练样本通常由一组属性描述,可以基于这些属性的不同组合产生不同的数据子集,然后在利用这些数据子集训练出不同的个体学习器。
(1)若数据包含了大量冗余的属性,则输入属性扰动效果较好。此时不仅训练出了多样性大的个体,还会因为属性数量的减少而大幅节省时间开销。同时由于冗余属性多,即使减少一些属性,训练个体学习器也不会很差。
(2)若数据值包含少量属性,则不宜采用输入属性扰动法。
6.3 算法参数的扰动
通常可以通过随机设置不用的参数,比如对模型参数加入小范围的随机扰动,从而产生差别较大的个体学习器。
在使用交叉验证法(GridSearch网格搜索)来确定基学习器的参数时,实际上就是用不同的参数训练出来了多个学习器,然后从中挑选出效果最好的学习器。集成学习相当于将所有这些学习器利用起来了。
随机森林学习器就结合了数据样本的扰动及输入属性的扰动。
7. 小结
- 提升树中的每一个弱学习器通过拟合残差来构建强学习器
- 梯度提升树中的每一个弱学习器通过拟合负梯度来构建强学习器